高分辨率图像以单位面积上更多的像素点为优势,可以丰富图像的纹理,展现更多的图像信息。然而在实际情况中,由于受到成像设备自身的条件限制以及外部多种因素的影响,无法获得令人满意的高分辨率图像。图像超分辨率重建技术可以通过对已有低分辨率图像进行处理以获取更高分辨率的图像。目前,基于学习的单帧图像超分辨率重建方法是图像超分辨率重建领域内的主流方法。本文针对当前几种常见的基于学习的方法进行了研究与分析,主要研究内容总结如下:基于邻域嵌入的方法在选取训练集图像时可能存在如下问题:如果训练集图像较少,可能导致输入图像与训练集图像不一致,进而影响重建图像质量。如果训练集图像较多,会增加相似图像块的搜索工作量,降低算法效率。针对这一问题,本文提出一种基于自相似性与非局部约束的单帧图像超分辨率重建算法。该算法不借助训练集图像,以图像的自相似性为先验知识,采取小尺度放大多次重建的策略直接对低分辨率输入图像进行重建。重建过程采用邻域嵌入的方法,在进行相似图像块搜索时,根据单幅图像的统计特性自适应的选取搜索范围,提高搜索效率。最后利用图像的非局部特性构造正则项,合成最终的高分辨率图像。通过实验分析和对比,表明本文提出的算法具有较好的重建结果。基于回归的方法通常需要大量的训练集图像,并通过训练集来学习许多局部的映射关系以丰富重建图像的纹理细节,但是往往存在如下问题:大量的训练集图像会导致训练集冗余,对计算资源要求高。在学习局部映射关系时,往往忽略了实际的局部高分辨率特征分布与对应局部低分辨率特征分布不一致的问题。而且大部分算法仅学习简单的局部映射关系,没有考虑训练集整体的特性,无法准确描述高、低分辨率图像间的对应关系。针对上述问题,本文提出一种基于预分类级联映射的单帧图像超分辨率重建算法。该算法对训练集图像进行预分类,降低冗余度。利用局部高分辨率特征的分布对局部映射关系进行修正。更进一步,将学习到的局部映射关系应用到训练集低分辨率图像中获取重建图像,在训练集内建立所有重建图像与高分辨率图像的整体映射关系,通过多变量线性回归模型求得整体映射系数。最后通过级联局部映射关系和整体映射系数获取高分辨率重建图像。实验结果表明,与现存主流算法相比,本文提出的算法可以恢复出更多的纹理细节信息,具有较高的重建质量。